[发明专利]一种桥梁裂缝的检测方法及检测装置

说明书

本申请公开了一种桥梁裂缝的检测方法及检测装置。该检测方法包括获取采集图片，对采集图片进行数据扩充，并制作训练样本集和测试样本集；构建全卷积神经网络；通过训练样本集对全卷积神经网络进行训练得到训练好的全卷积神经网络；将测试样本集输入训练好的全卷积神经网络对桥梁裂缝进行第一次确认；运用贝叶斯决策理论对桥梁裂缝进行第二次确认。通过此种方式不仅可以提升桥梁裂缝检测的速度，还可以提升桥梁裂缝检测的精度。

技术领域

本申请涉及桥梁检测技术领域，特别是涉及一种桥梁裂缝的检测方法及检测装置。

背景技术

随着经济和科技的日益增强，公路交通事业也迅猛发展。桥梁是交通道路建设的重要组成部分，与人们的出行安全和交通畅通息息相关。裂缝作为桥梁病害的一种，对桥梁的安全运营有重大影响，调查发现90％以上的桥梁损坏均由裂缝引起。

本申请的发明人在长期研发的过程中发现，相关技术中，桥梁表面裂缝的检测主要靠桥检车加人工进行检测，此种方式不仅会耗费大量人力物力，并且这种检测方法对于工程技术人员存在很大的安全隐患。

发明内容

本申请主要解决的技术问题是提供一种桥梁裂缝的检测方法及检测装置，能够提高桥梁裂缝的识别速度，且能提高桥梁裂缝的识别精度。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种桥梁裂缝的检测方法，该检测方法包括：获取采集图片，对采集图片进行数据扩充，并制作训练样本集和测试样本集；构建全卷积神经网络；通过训练样本集对全卷积神经网络进行训练得到训练好的全卷积神经网络；将测试样本集输入训练好的全卷积神经网络对桥梁裂缝进行第一次确认；运用贝叶斯决策理论对桥梁裂缝进行第二次确认。

其中，获取采集图片，对采集图片进行数据扩充，并制作训练样本集和测试样本集的步骤包括：获取采集图片，从采集图片中划分出部分图片作为测试样本集，从采集图片中划分出另一部分图片以制作训练样本集；将另一部分图片分割成若干54×54的小图片，获取分拣后的小图片得到有裂缝的小图片和无裂缝的小图片，将有裂缝的小图片和无裂缝的小图片作为初始数据集；采用旋转、滤波、亮度调整的方式，将每个小图片扩充为多张图片；将小图片打上标签，其中，有裂缝的小图片记为1，无裂缝的小图片记为0，以得到训练样本集。

其中，构建全卷积神经网络的步骤包括：建立卷积层，在进行卷积运算时，不对输入图像进行边缘填充；建立池化层；建立输出层，输出层中将全连接层变更为卷积层；建立损失函数。

其中，通过训练样本集对全卷积神经网络进行训练得到训练好的全卷积神经网络的步骤包括：计算卷积层的梯度并更新；计算池化层的梯度并更新。

其中，将测试样本集输入训练好的全卷积神经网络进行桥梁裂缝进行第一次确认的步骤包括：将测试样本集中的图片输入训练好的全卷积神经网络，输出图片中每个54×54小窗的得分，其中得分包括小窗为且桥梁裂缝的第一得分和小窗为桥梁裂缝的第二得分；若判断到第一得分大于第二得分，则确认小窗为桥梁裂缝；若判断到第一得分小于第二得分，则确认小窗为背景。

其中，运用贝叶斯决策理论对桥梁裂缝进行第二次确认的步骤包括：选取小窗的3×3邻域；根据小窗的3×3邻域的得分，运用贝叶斯决策理论，对桥梁裂缝进行第二次确认。

其中，根据小窗的3×3邻域的得分，运用贝叶斯决策理论，对桥梁裂缝进行第二次确认的步骤包括：根据每个小窗的3×3邻域的得分，统计出小窗为桥梁裂缝的第一后验概率和小窗为背景的第二后验概率；若判断到第一后验概率大于第二后验概率，则确认小窗为桥梁裂缝；若判断到第一后验概率小于第二后验概率，则确认小窗为背景。

其中，输出层包括卷积层，卷积层输出输入图像为桥梁裂缝的得分和输入图像为背景的得分。

其中，获取采集图片的步骤包括：通过人工输入或者从无人机中获取采集图片。